[发明专利]一种利用神经架构搜索的声纹识别方法

说明书

本发明公开了一种利用神经架构搜索的声纹识别方法，首先获得说话人声音的音频片段，并对音频进行端点检测、预加重、分帧及加窗等预处理操作，然后对预处理后的音频进行梅尔频谱特征提取，最后利用预先使用神经架构搜索得到的声纹识别模型将提取到的声纹特征与预先构建的声纹数据库进行比对，得到识别结果。本发明利用神经架构搜索，首先通过双层优化，获得神经元中的最佳操作组合，然后通过多次堆叠神经元来推导出CNN模型，最后通过训练得到的CNN模型得到最终的声纹识别模型，本发明有效提升人物识别的准确性，并拥有较低的模型复杂度。

技术领域

本发明属于声纹识别技术领域，具体涉及一种利用神经架构搜索的声纹识别方法。

背景技术

声纹识别又名说话人识别，说话人识别旨在根据他/她的话语检索说话人的身份。根据话语内容的相似度，说话人识别可以分为文本相关和文本无关，后者在实际应用中更加通用和现实。另外，根据不同的应用设置，说话人识别通常分为说话人识别(SID)和说话人验证(SV)两大类之一。SID从已知的说话者集合中识别说话的说话者，而SV确定说话的说话者是否与其给定的注册数据相匹配。

近年来出现了端到端的说话人识别系统，并取得了最先进的性能。这些模型通常采用三阶段通道：(1)深度神经网络，通常是卷积神经网络(CNN)或循环神经网络(RNN)，作为特征提取器来生成逐帧说话人嵌入；(2)时间聚合层，产生固定长度的说话人嵌入(即d-vector)；(3)优化整个网络的损失函数。在测试阶段，网络和时间聚合层首先用于为测试话语生成d-vector，然后基于d-vector根据相似度度量(例如余弦相似度)生成最终的相同/不同说话人决策。大多数基于CNN/RNN的说话人识别工作侧重于通过高级训练目标和时间聚合策略来提高说话人嵌入的有效性。现有的研究通常使用现成的网络架构，这些架构模型相对较为复杂，并且应用在说话人识别结构匹配度不高，可能影响模型的识别精度。

发明内容

本发明的目的在于提供一种利用神经架构搜索的声纹识别方法，该方法用神经架构搜索，首先通过识别神经元中的最佳操作组合，然后通过多次堆叠神经元来推导出CNN模型，最后通过训练得到的CNN模型得到最终的声纹识别模型，有效提升人物识别的准确性，并拥有较低的模型复杂度。

本发明采用以下技术方案：

一种利用神经架构搜索的声纹识别方法，针对包含目标说话人声音的音频，结合包括身份信息的预设声纹数据库，执行以下步骤，对包含目标说话人声音的音频进行识别，确定目标说话人身份信息：

步骤A：获取包含目标说话人声音的音频；

步骤B：针对包含目标说话人声音的音频，进行预处理；

步骤C：针对预处理后的包含目标说话人声音的音频，获得该音频对应的梅尔频谱特征；

步骤D：基于该音频对应的梅尔频谱特征，结合预设声纹数据库，经预训练的以音频的梅尔频谱特征为输入，该音频中目标说话人的身份信息为输出的声纹识别模型，获得音频中目标说话人的身份信息。

进一步地，所述步骤B中，针对包含目标说话人声音的音频，进行预处理，具体过程如下，获得预处理后的包含目标说话人声音的音频：

步骤B1：针对包含目标说话人声音的音频，剪切去除音频中能量低于阈值的音频片段，更新包含目标说话人声音的音频，进入步骤B2；

步骤B2：将包含目标说话人声音的音频通过高通滤波器进行滤波，更新包含目标说话人声音的音频，进入步骤B3；

步骤B3：对包含目标说话人声音的音频按预设长度进行分段截取，获得各有效音频片段，进入步骤B4；

步骤B4：将各有效音频片段分别进行短时傅里叶变换得到各有效音频片段分别对应的频谱特征，基于时间序列顺序排列，得到该包含目标说话人声音的音频对应的时频谱图，进入步骤B5；